Yerçekimi Yüklü İnsan Omurgasının Derin Öğrenme Tabanlı Segmentasyonu

Özet

Bu makale, bir 3D U-Net evrişimli sinir ağı kullanarak ağırlık taşıyan CBCT görüntülerinde yerçekimi yüklü insan omurgasını bölümlere ayırmak için bir protokol sunmaktadır. Yöntem, omurga hizalamasını incelemek için değerli bir araç sağlar ve yük taşıma koşulları altında omurga üzerinde 3D baskı ve biyomekanik araştırmaları destekler.

Özet

Yerçekimi yüklü koşullar altında omurga hizalamasının doğru analizi, skolyoz ve dejeneratif disk hastalığı gibi kas-iskelet sistemi bozukluklarının teşhisi ve yönetimi için gereklidir. 2D radyografiler ve sırtüstü BT veya MRI gibi geleneksel görüntüleme teknikleri, yük taşıma durumunda omurganın tam 3D geometrisini yakalamaz. Ağırlık taşıyan konik ışınlı bilgisayarlı tomografi (CBCT), ayakta dururken yüksek çözünürlüklü, 3D görüntüler sağlayarak omurga hizalamasının daha doğru bir şekilde değerlendirilmesine olanak tanır. Bu çalışma, vertebral cisimleri, pelvisi ve femur başını segmentlere ayırmak için 3B evrişimli katmanlara ve artık bağlantılara sahip bir U-Net evrişimli sinir ağı (CNN) kullanarak bu görüntüleri segmentlere ayırmak için derin öğrenme tabanlı bir protokol sunmaktadır. Protokol, görüntü alma, manuel açıklama, ön işleme ve model eğitimini içerir. Anatomik yapıların başarılı bir şekilde segmentasyonu, Cobb açısı ve vertebral rotasyon gibi klinik olarak anlamlı omurga parametrelerinin doğru bir şekilde ölçülmesini sağlar. Ek olarak, bölümlere ayrılmış 3D modeller, 3D baskı için STL formatında dışa aktarılabilir, bu da cerrahi planlamayı ve hasta eğitimini kolaylaştırır. Ayrıca, protokol, alt ekstremite gibi yerçekimi yüklü koşullar altında değerlendirme gerektiren diğer anatomik yapılar için segmentasyon modellerini eğitmek üzere uyarlanabilir. Bu yöntem, hem klinik teşhis hem de araştırma çalışmalarında pratik uygulamalarla birlikte, yerçekimi yüklü koşullarda omurga ve diğer anatomik yapıları doğru bir şekilde segmentlere ayırmak için güvenilir ve uyarlanabilir bir araç sağlar.

Giriş

Yerçekimi yüklü koşullar altında omurga hizalamasının doğru analizi, skolyoz, dejeneratif disk hastalığı ve omurga deformiteleri 1,2,3,4 dahil olmak üzere kas-iskelet sistemi bozukluklarının teşhisi ve yönetimi için gereklidir. 2D radyografiler gibi geleneksel görüntüleme teknikleri, omurganın tam 3D geometrisini yakalamaz. Konvansiyonel BT ve MRG 3D görüntüler üretebilse de, bu modaliteler hastaların sırtüstü pozisyonda görüntülenmesini gerektirir. Buna karşılık, ağırlık taşıyan konik ışınlı bilgisayarlı tomografi (CBCT), hasta ayakta dururken yüksek çözünürlüklü, 3D görüntüler sağlayarak omurga hizalamasının daha ayrıntılı bir değerlendirmesini sunar⁵.

3D görüntülemeden iskelet yapısının segmentasyonu, omurga deformitelerini teşhis etmek ve ameliyatları planlamak için gerekli olan Cobb açısı, vertebral rotasyon ve pelvik insidans gibi klinik olarak ilgili omurga parametrelerinin çıkarılması için çok önemlidir⁶. Ek olarak, segmentasyon, anatomik yapıların 3D modellerinin oluşturulmasını sağlayarak hasta eğitimini ve cerrahi hazırlığı destekler⁷. Derin öğrenme teknolojileri, özellikle evrişimli sinir ağları (CNN'ler), tıbbi görüntüleme analizinde, özellikle görüntülerden karmaşık anatomik yapıların segmentasyonunda yaygın olarak kullanılmaktadır ^8,9. Derin öğrenme tabanlı segmentasyon, manuel iş yükünü azaltır, operatör değişkenliğini en aza indirir ve omurga görüntülemede doğruluğu ve tutarlılığı artırır.

Bu makale, ağırlık taşıyan CBCT kullanarak yerçekimi yüklü dikenleri segmentlere ayırmak için derin öğrenme tabanlı bir protokol sunmaktadır. Yük taşıma koşulları altında omurları, pelvisi ve femur başını otomatik olarak segmentlere ayırmak için bir 3D U-Net CNN kullanılır. Bu yöntemin rutin ağırlık taşıyan CBCT ile entegrasyonu, daha doğru omurga değerlendirmeleri için standartlaştırılmış, tekrarlanabilir bir araç sağlar, böylece daha iyi klinik karar verme ve hasta sonuçlarını destekler. Bu yaklaşım tekrarlanabilir ve alt ekstremite gibi yerçekimi yüklü koşullar altında değerlendirme gerektiren diğer anatomik yapılar için eğitim segmentasyon modelleri için uyarlanabilir.

Protokol

Bu çalışma, Helsinki Bildirgesi'nde belirtilen etik standartlara uygun olarak yürütülmüş ve Sichuan Üniversitesi Batı Çin Hastanesi Kurumsal İnceleme Kurulu tarafından onaylanmıştır (onay 834 / 2021). Çalışmaya dahil edilen katılımcılara dejeneratif skolyoz veya adolesan idiyopatik skolyoz (AIS) tanısı konuldu. Dışlama kriterleri, omurga cerrahisi öyküsü olan, omurga implantlarının varlığı veya görüntüleme prosedürü sırasında ayakta durma pozisyonunu koruyamayan kişileri kapsıyordu. Çalışmaya dahil olan tüm katılımcılar, görüntü elde edilmeden ve araştırmaya katılımdan önce bilgilendirilmiş onam verdiler. Tüm katılımcıların mahremiyeti ve gizliliği çalışma boyunca sıkı bir şekilde korunmuştur. Bu çalışmada kullanılan ekipman ve yazılımlar Malzeme Tablosu'nda listelenmiştir.

1. Omurganın görüntülenmesi

1. Görüntüleme sistemi ve hasta konumlandırma
   1. Görüntüyü elde etmek için ağırlık taşıyan CBCT sistemini kullanın (Şekil 1).
   2. Hastayı ayakta duran platforma yerleştirin. Hareket ve düşmeleri önlemek için hastayı kemerlerle sabitleyin.
   3. Hastaya tarama işlemi sırasında ayakta durma pozisyonunu, sabit nefes almasını ve hareketi en aza indirmesini söyleyin.
2. Görüntü elde etme
   1. Görüntüleme sisteminin yazılımında, görüntüleme aralığını tanımlayın.
      NOT: Tam omurga görüntülemesi için, aralık her iki femur başına kadar ilk servikal vertebrayı içermelidir.
   2. Uygun pozlama parametrelerini seçin.
      NOT: Varsayılan parametreler Tablo 1'de gösterilmiştir. Parametreleri hastanın vücut ölçüsüne göre gerektiği gibi ayarlayın.
   3. Pozlamayı başlatmak için ayak frenine basın. Yazılım, görüntü alımının tamamlandığını belirtene kadar devam edin.
3. Görüntü rekonstrüksiyonu
   1. Tıkla Yeniden Yapılandırma yazılımdaki düğmesine basın ve yeniden yapılandırma parametrelerini gerektiği gibi ayarlayın.
      NOT: Bu çalışmada kullanılan rekonstrüksiyon parametreleri Tablo 1'de listelenmiştir.

2. ITK-SNAP kullanarak açıklama

1. Yazılım başlatma ve görüntü içe aktarma
   1. 3D biyomedikal görüntü segmentasyonu ve açıklama¹⁰ için açık kaynaklı, çok platformlu bir araç olan ITK-SNAP'i başlatmak için yazılım simgesine çift tıklayın.
   2. Ek açıklama için görüntüyü içe aktarın. Dosya -> Ana Resmi Aç -> Gözat'a tıklayın. Hedef görüntü dosyasını seçin ve yazılıma yüklemek için Aç'a tıklayın.
2. Ek açıklama
   NOT: Yazılımın temel araçları ve işlevleri hakkında bilgi sahibi olmak için manuel segmentasyon¹¹ için ITK-SNAP eğitimini okumanız önerilir. Bu deney için gerekli adımlar aşağıda özetlenmiştir.
   1. Görüntü görünürlüğünü artırmak için, Araçlar -> Görüntü Kontrastı -> Kontrast Ayarı -> Eğri Tabanlı Görüntü Kontrastı Ayarı'nı seçerek görüntü kontrastını ayarlayın. Kontrastı artırmak için eğriyi gerektiği gibi ayarlayın.
   2. Anatomik yapılar için Etiketler oluşturma: Araç çubuğundaki Etiketleri Düzenle düğmesine basın. Açıklama metin kutusuna, segmentasyon kategorilerinin adlarını yazın (örneğin, omurga, pelvik, femur başları). Her segmentasyon kategorisine renk atayın ve değişiklikleri uygulamak için Pencereyi Kapat düğmesine basın.
   3. Poligon ek açıklama aracını kullanarak manuel segmentasyon: Segmentasyon Etiketi panelindeki Aktif Çizim etiketi açılır menüsünden, segmentlere ayırmak üzere olduğunuz kategoriyle eşleşen doğru etiketin seçildiğinden emin olun.
   4. Üzerine Çiz açılır menüsünde Tüm etiketler'i seçin. IRIS araç kutusunda Çokgen Aracı'nı seçin.
   5. Görüntü üzerinde çokgenler çizerek ve doldurarak yapıları manuel olarak segmentlere ayırmak için çokgen aracını kullanın. Doğruluğu sağlamak için gerektiği gibi yakınlaştırın ve kaydırın.
3. Ek açıklamayı kaydetme
   1. Ek açıklama tamamlandıktan sonra, menü çubuğundaki Segmentasyon'a tıklayın ve ardından Segmentasyon Görüntüsünü Kaydet'i seçin.
   2. İletişim kutusunda, Görüntü Dosya Adını (örneğin, xxx.nii.gz) ayarlayın, Dosya Formatı'nı NIfTI olarak seçin ve açıklamalı dosyayı kaydetmek için Bitir'e tıklayın.

3. Görüntü önişleme

NOT: Bu protokolde, giriş görüntüsü ve karşılık gelen hedef etiket verileri için görüntü önişleme, Python için entegre bir geliştirme ortamı (IDE) olan PyCharm kullanılarak gerçekleştirilir. Adımlar, okunabilirliği artırmak ve temel adımları net bir şekilde özetlemek için Ek Dosya 1'de sözde kod olarak sağlanan Python kodu aracılığıyla yürütülür.

1. Kitaplıkları içe aktarma ve görüntü yükleme
   1. PyCharm'ı açın ve yeni bir Python betiği oluşturun.
   2. NumPy, SimpleITK ve PyTorch (Ek Dosya 1, Kod satırı 1) dahil olmak üzere görüntü işleme ve veri işleme için gerekli kitaplıkları içe aktarın.
   3. Gri tonlamalı görüntüyü ve ilgili etiketi (segmentasyon maskesi) ilgili dosya yollarından (.nii.gz) okumak için SimpleITK'yi kullanın (Ek Dosya 1, Kod satırları 2-3).
2. Görüntü yeniden boyutlandırma ve normalleştirme
   1. Z ekseni için giriş boyutunu, bellek kullanımını dengeleyen ve segmentasyon için temel yapısal bilgileri koruyan 16 dilim olarak ayarlayın (Ek Dosya 1, Kod satırı 4).
   2. Görüntünün gri tonlama değerlerine 1000 ekleyin ve 0'ın altındaki ve 1000 ile 3000 arasında dinamik olarak ayarlanan bir eşiğin üzerindeki değerleri kırpın (Ek Dosya 1, Kod satırı 5).
   3. Görüntünün gri tonlama değerlerini eşiğe bölerek normalleştirin (Ek Dosya 1, Kod satırı 5).
3. Görüntü büyütme
   1. Görüntüdeki gerçek dünya gürültüsünü simüle etmek için Poisson gürültüsü uygulayın (Ek Dosya 1, Kod satırı 6).
   2. Değişen görüntüleme koşullarını hesaba katmak için parlaklığı 0,8 ile 1,2 arasında bir faktörle rastgele ayarlayın (Ek Dosya 1, Kod satırı 7).
   3. Hem görüntü hem de karşılık gelen hedef etiket için z ekseni boyunca 3B dilimleri ayıklamak için kayan pencere yaklaşımı kullanın (Ek Dosya 1, Kod satırları 8-10).
   4. Büyütme sırasında birlikte işlendiklerinden emin olmak için görüntüyü ve hedef dilimleri toplu iş boyutu boyunca birleştirin (Ek Dosya 1, Kod satırı 11).
   5. Görüntüyü ve hedef dilimleri x ve y eksenleri boyunca rastgele bir değerle çevirin (Ek Dosya 1, Kod satırı 12).
   6. Farklı görüntüleme yönelimlerini simüle etmek için birleştirilmiş görüntüye ve hedef dilimlere rastgele döndürme uygulayın (Ek Dosya 1, Kod satırı 13).
4. Önceden işlenmiş verileri iade etme
   1. Sinir ağı eğitiminde kullanılmak üzere önceden işlenmiş görüntü ve hedef etiket verilerini torch.tensor biçiminde döndürün (Ek Dosya 1, Kod satırı 14).

4. Model eğitimi

1. Kitaplıkları içe aktarın ve U-Net mimarisini tanımlayın
   1. PyTorch, torch.utils.data.DataLoader ve torch.optim.Adam (Ek Dosya 1, Kod satırı 1) dahil olmak üzere model eğitimi için gerekli kitaplıkları içeri aktarın.
   2. 3B evrişimli katmanlar ve artık bağlantılarla U-Net modelini kullanın (Ek Dosya 1, Kod satırları 2).
2. Eğitim parametrelerini ve veri yüklemeyi başlatma
   1. Zar kaybı işlevini, Adam iyileştiricisini ve modeli ayarlayın. Alfa'yı 0,8'e, öğrenme oranını 1e-5'e ve dönem sayısını 500'e ayarlayın (Ek Dosya 1, Kod satırları 3).
   2. Her toplu iş için torch.utils.data.DataLoader'dan verileri ve karşılık gelen hedef etiketleri getirin.
3. Antrenman döngüsü ve ileri pas
   1. Modelin zaman içinde öğrenmesine ince ayar yapmasını sağlamak için öğrenme oranını her 100 dönemde bir 0,8 ile çarparak azaltın (Ek Dosya 1, Kod satırı 5).
   2. Önceki gradyanların birikmemesini sağlamak için her partiyi işlemeden önce optimize edicinin gradyanlarını sıfırlayın (Ek Dosya 1, Kod satırı 7).
   3. Segmentasyon için tahminler oluşturmak üzere veri toplu işlemini modele girin (Ek Dosya 1, Kod satırı 8).
   4. Ağın farklı katmanlarından bilgi yakalamak için dört farklı derinlikte (loss_0, loss_1, loss_2, loss_3) Zar kaybını hesaplayın (Ek Dosya 1, Kod satırları 9-12).
4. Toplam kayıp, geri yayılım ve optimizasyon
   1. Aşağıdaki formülü kullanarak toplam kaybı hesaplayın: toplam kayıp = loss_3 + alfa × (loss_0 + loss_1 + loss_2) (Ek Dosya 1, Kod satırı 13).
   2. Ağın ağırlıklarını güncellemek için toplam kayıp üzerinde geri yayılım gerçekleştirerek gradyanları hesaplayın (Ek Dosya 1, Kod satırı 14).
   3. Hesaplanan gradyanlara göre ağ parametrelerini ayarlamak için optimize ediciyi kullanarak model ağırlıklarını güncelleyin (Ek Dosya 1, Kod satırı 15).
5. Alfa için ayarlamalar
   1. Her 30 dönemde bir, eğitim ilerledikçe önceki katman kayıplarının etkisini azaltmak için alfa değerini 0,8 ile çarparak azaltın (Ek Dosya 1, Kod satırı 16).

Sonuçlar

Segmentasyon sonuçları
Bu çalışmada omurga, pelvis ve femur başları olmak üzere üç anatomik yapı bölümlere ayrıldı. Pelvis ve femur başları dahil edildi, çünkü bazı omurga parametreleri ölçüm için bu yapılardan yer işaretleri gerektiriyor. Her yapı için veri seti, Tablo 2'de belirtildiği gibi eğitim ve test setlerine bölünmüştür.

Segmentasyon performansı, Zar katsayısı, Hacim Benzerliği (VS) ve Geri Çağırma dahil olmak üzere üç standart metrik kullanılarak değerlendirildi:

TP Gerçek Pozitif, FP Yanlış Pozitif, FN Yanlış Negatifi gösterir.

Ağı 500 dönem boyunca eğittikten sonra, segmentasyon sonuçları metriklere göre değerlendirildi. Her anatomik yapı için performans Tablo 3'te sunulmuştur. Bu sonuçlar, önerilen U-Net tabanlı segmentasyon modelinin omurga, pelvis ve femur başları boyunca etkinliğini göstermektedir. Şekil 2 , anatomik yapıların temsili bir segmentasyon sonucunu göstermektedir.

Segmentasyon sonrası uygulamalar

Klinik olarak ilgili 3D parametrelerin ölçümü
Otomatik segmentasyon yoluyla oluşturulan 3D modeller, Cobb açısı, vertebral rotasyon, torasik kifoz, lomber lordoz, pelvik insidans, pelvik eğim ve sakral eğim gibi klinik olarak önemli bir dizi parametreyi ölçmek için kullanılabilir. Burada, segmentlere ayrılmış verileri işleyen ve omurga ve ilgili yapıların doğru ve otomatik ölçümlerini sağlayan, kendi geliştirdiğimiz bir program kullanarak bu parametrelerin ölçümünü gösteriyoruz (Şekil 3).

3D baskı
AI otomatik segmentasyon ve son işleme ile elde edilen 3B model, 3B baskı yazılımı tarafından yaygın olarak desteklenen genel bir 3B model dosya formatı olan STL formatına aktarılabilir. Bu çalışma için kullanılan 3D yazıcı, baskı malzemesi olarak ultraviyole (UV) ile kürlenebilen reçine kullanan bir endüstriyel stereolitografi (SLA) yazıcısıydı. Bölümlere ayrılmış modelin izole edilmiş parçaları arasında bağlantılar uygulandı ve tek, birleşik bir model olarak basılabilen uyumlu bir yapı sağlandı. Bu süreç, cerrahi planlama, hasta iletişimi ve eğitim araçları için kullanılabilen hastanın anatomisinin fiziksel olarak kopyalanmasını sağlar. Şekil 4 , yapay zeka segmentli verilerden türetilen 3D baskılı bir modeli göstermektedir.

Şekil 1: Ağırlık taşıyan konik ışınlı bilgisayarlı tomografi (CBCT) görüntüleme için hasta konumlandırma. Hasta ayakta duran platforma yerleştirilir ve tarama sırasında hareket etmesini ve düşmesini önlemek için kemerlerle sabitlenir. Hasta, sabit bir pozisyonu korumak için baş üstü desteğini tutarken, CBCT sistemi yerçekimi yüklü koşullar altında omurganın 3D görüntülerini yakalar. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 2: Eksenel, sagital ve koronal görünümlerde omurga, pelvis ve femur başı için segmentasyon sonuçları. İlk sütunda CBCT görüntüleri, ardından temel gerçekler ve ardından derin öğrenme modelinden elde edilen segmentasyon sonuçları gösterilir. İkinci ve üçüncü sütunlardaki kırmızı kaplamalar, her üç görünümde de omur gövdeleri, pelvis ve femur başı için segmentli alanları gösterir. Görüntüler, modelin anatomik yapıları yakalamadaki yüksek doğruluğunu gösteriyor ve temel gerçekle yakından eşleşiyor. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 3: Segmentli omurga ve pelvis yapılarında klinik olarak ilgili parametrelerin ölçümü. (A) Koronal düzlemde T11 ve L3 omurları arasındaki Cobb açısının (8.9°) ölçümü. (B) Sagital düzlemde torasik kifoz (T1-T12: 21.2°) ölçümü. (C) Sagital düzlemde lomber lordoz ölçümü (L1-L5: 26.4 °). (D) Eksenel düzlemde pelvise göre L2'nin vertebral rotasyonu (VR: 3.3 °). (E) Sagital görünümde ölçülen pelvik eğim (PT: 21.0 °), sakral eğim (SS: 26.1 °) ve pelvik insidans (PI: 47.1 °) dahil olmak üzere pelvik parametreler. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 4: Omurga ve pelvisin STL modeli ve 3D baskılı fiziksel modeli. Soldaki resim, 3D baskı için hazırlanmış, STL formatında omurga ve pelvisin 3D modelini göstermektedir. Sağdaki resim, stereolitografi (SLA) teknolojisi kullanılarak yazdırılan ilgili fiziksel modeli gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Parametre	Varsayılan Ayarlar
Tüp gerilimi	110 kv
Tüp akımı	6 milyon / dak
Kare hızı	12 kare/sn
Yeniden Yapılanma Bakış Açısı	350 Milimetre
Dilim kalınlığı	2 mm
Dilimler arasındaki boşluk	1 Milimetre

Tablo 1: Pozlama ve rekonstrüksiyon için varsayılan parametreler. Tam omurganın ağırlık taşıyan konik ışınlı bilgisayarlı tomografi görüntülemesi için varsayılan pozlama ve rekonstrüksiyon parametreleri.

Etiket	Eğitim veri kümesi	Veri kümesini test etme
Omurga	100	20
Pelvis	57	6
Femur başı	47	5

Tablo 2: CBCT görüntü modeli eğitimi ve testi için kullanılan veri kümesi. Tablo, omurga, pelvis ve femur başı yapılarını bölümlere ayırmak için modeli eğitmek ve test etmek için kullanılan görüntülerin sayısını gösterir.

Etiket	Zar Katsayısı	Hacim Benzerliği	Anımsamak
Omurga	0.93	0.954	0.89
Pelvis	0.925	0.965	0.93
Femur başı	0.96	0.971	0.959

Tablo 3: Farklı anatomik yapılar (omurga, pelvis ve femur başı) için derin öğrenme modelinin segmentasyon performansı. Performans metrikleri, tümü 0 ile 1 arasında değişen Zar Katsayısı, Hacim Benzerliği (VS) ve Geri Çağırmayı içerir ve 1'e yakın değerler daha iyi segmentasyon doğruluğunu gösterir.

Ek Dosya 1: Görüntü önişleme (3. adım) ve Model eğitimi (4. adım) için sözde kodlar. Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

Bu protokol, ağırlık taşıyan CBCT kullanarak yerçekimi yüklü omurga görüntülerini segmentlere ayırmak için derin öğrenme tabanlı bir yöntem sunar. Temel adımlar arasında görüntü alma, manuel açıklama, ön işleme ve model eğitimi yer alır. Doğru hasta konumlandırma ve pozlama ayarları, yüksek kaliteli görüntüler elde etmek için kritik öneme sahiptir. Yanlış hizalama veya kötü konumlandırma, yetersiz görüntülere yol açarak sinir ağının yapıları doğru bir şekilde bölümlere ayırmasını zorlaştırabilir. Ön işleme de önemli bir adımdır ve bu protokolde gürültü ekleme, parlaklık değişimi, döndürme ve öteleme içerir. Bu ön işleme teknikleri, görüntüleri sinir ağına girdi için hazırlamak ve modeli çeşitli görüntü bozulmalarına maruz bırakarak modelin sağlamlığını artırmak için tasarlanmıştır.

Manuel açıklama, protokolün bir diğer kritik bileşenidir. Manuel ek açıklamaların doğruluğu, modelin omur gövdeleri, pelvis ve femur başı gibi yapıları öğrenme ve segmentlere ayırma yeteneğini doğrudan etkiler. Bu protokol, Cobb açısı ve vertebral rotasyon gibi klinik olarak ilgili parametrelerin çoğunu ölçmek için yeterli olan vertebral cisimlerin segmentlere ayrılmasına odaklanmıştır. Tam omur gerektiren uygulamalar için (lamina, enine süreçler ve spinöz süreçler dahil), modelin ek etiketli verilerle eğitime ihtiyacı olacaktır. Ek olarak, manuel ek açıklamalardaki değişkenlik de bir zorluk olabilir ve sonuçların tekrarlanabilirliğini potansiyel olarak etkileyebilir. Bunu azaltmak için, birden fazla deneyimli açıklayıcıya sahip olmanızı ve gözlemciler arası güvenilirlik kontrolleri uygulamanızı öneririz.

3D evrişimli katmanlara ve artık bağlantılara sahip U-Net mimarisi, 3D görüntüleri işlemek için çok uygundur 12,13,14. Çok seviyeli kayıp işlevi, daha derin katmanlardaki ayrıntıların korunmasına yardımcı olarak segmentasyon doğruluğunu sağlar. Bununla birlikte, aşırı uyumu önlemek ve model sağlamlığını artırmak için öğrenme hızı ve büyütme ayarları gibi eğitim parametrelerinin dikkatli bir şekilde ayarlanması gerekir. Son çalışmalar, transformatörler veya YOLO mimarileri^15,16 gibi sinir ağlarını kullanarak belirli görevlere uyarlanmış omurga segmentasyonu veya algılama modelleri önermiş olsa da, bunlar tipik olarak BT veya MRI omurga görüntülerine dayanır. Buna karşılık, bu protokol, piksel düzeyinde segmentasyon görevi^17'de daha yaygın olarak kullanılan U-Net mimarisini benimser. Daha da önemlisi, bu yöntem, dik CBCT kullanarak yerçekimi yüklü koşullar altında omurgayı segmentlere ayırmak için tasarlanmıştır ve omurganın ayakta veya ağırlık taşıma durumunda değerlendirilmesine olanak tanır. Bu benzersiz özellik, omurga deformitelerini teşhis etmek ve tedavi stratejilerini planlamak için çok önemli olan omurganın hizalamasının ve mekanik streslerinin daha gerçekçi bir değerlendirmesini sağlar. Özellikle, omurga segmentasyonunda 0.93'lük bir Zar katsayısı ile gösterildiği gibi, modelin performansı, omurga segmentasyonu^için CT ve MRI verilerini kullanan diğer derin öğrenme tabanlı modellerin performansıyla karşılaştırılabilir ve hatta onu aşar ^9,18,19.

Bu yöntemin bazı sınırlamaları vardır. Bu çalışmada kullanılan veri seti, vertebral cisimleri, pelvisi ve femur başını segmentlere ayırmak için yeterli olsa da, nadir veya karmaşık omurga deformitelerini daha iyi ele almak için genişlemeden fayda sağlayacaktır. Daha büyük, daha çeşitli bir veri kümesi, modelin daha geniş bir vaka yelpazesine genelleştirilmesine yardımcı olur. Diğer bir sınırlama, CBCT görüntülemenin metal artefaktlara duyarlı olması ve modelin ameliyat sonrası dikenleri metal implantlarla segmentlere ayırmasını zorlaştırmasıdır. Ek olarak, bu yöntem, tüm klinik ve araştırma ortamlarında bulunmayabilecek güçlü GPU'lara erişim gerektiren yüksek hesaplama talebiyle sınırlıdır. Manuel açıklama süreci zaman alıcıdır ve bu nedenle, ek açıklamaların doğruluğunu fikir birliği yoluyla doğrulamak için birden fazla açıklayıcıyı dahil edemedik. Ayrıca, model henüz harici veri kümelerinde doğrulanmamıştır, bu da diğer klinik ortamlara genellenebilirliğini sınırlar.

Omurga ile ilgili parametreleri doğru bir şekilde segmentlere ayırma ve ölçme yeteneği, özellikle skolyoz gibi durumlarda tanı ve tedavi planlamasını geliştirir. Modelleri 3D baskı için STL formatında dışa aktarma yeteneği, ameliyat öncesi planlamada da önemli uygulamalara sahiptir ve cerrahların hastaya özel modelleri uygulamasına veya referans almasına olanak tanır. Bu somut modeller, hastaların durumlarını ve tedavilerini daha iyi anlamalarına yardımcı olan hasta eğitimi için değerli araçlardır²⁰. Omurga görüntülemenin ötesinde, bu protokol, özellikle diz osteoartriti veya kalça deformiteleri gibi durumlarda değerli olan alt ekstremiteler ve eklemler gibi diğer yerçekimi yüklü anatomik yapıları segmentlere ayırmak için de uyarlanabilir. Ayrıca, bu protokolün, yük taşıma koşulları altında omurganın veya diğer yapıların ayrıntılı 3D modellerinin mekanik ve stres dağılımlarını analiz etmek için çok önemli olduğu biyomekanik çalışmalarda potansiyel uygulamaları vardır^21,22. Bu, deformitelerin ilerlemesi hakkında değerli bilgiler sağlayabilir ve yeni tedavi stratejilerinin geliştirilmesine rehberlik edebilir.

Sonuç olarak, bu protokol, yerçekimi yüklü koşullarda omurga görüntülerini segmentlere ayırmak ve analiz etmek için güvenilir ve verimli bir yöntem sunar. Bazı sınırlamalar olsa da, tanı, cerrahi planlama, biyomekanik çalışmalar ve eğitimdeki potansiyel uygulamaları onu hem klinik hem de araştırma senaryolarında değerli bir araç haline getirmektedir.

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
3D Yazıcı (G1400)	UnionTech, Şangay, Çin	G1400	Endüstriyel stereolitografi (SLA) 3D yazıcı.
Derin öğrenme modeli eğitimi için	CUDA sürüm 11.4	NVIDIA	11.4
ITK-SNAP	Açık kaynak	4.0.2	3D biyomedikal görüntü segmentasyonu ve açıklama için yazılım.
Numpy	Açık kaynak	1.24.4	görüntü işleme için python kitaplığı, web sitesi: https://numpy.org/about/
PyCharm	JetBrains	2023.2.1	Python programlama için kullanılan entegre bir geliştirme ortamı (IDE).
Python sürüm 3.8	Açık kaynak	3.8	Derin öğrenme modeli geliştirme için PyTorch ile birlikte kullanılır.
PyTorch sürüm 1.10	Açık kaynak	1.10	Segmentasyon modelini eğitmek için kullanılan derin öğrenme çerçevesi.
SimpleITK	açık kaynak	2.3.1	python kütüphanesi, web sitesi: https://simpleitk.org/
UV ile Kürlenebilir Reçine	UnionTech, Şangay, Çin	UV-001	SLA 3D baskı işleminde kullanılan malzeme.
Ağırlık taşıyan konik kirişli CT sistemi  (WR3D)	Angell Technology, Shenzhen, Çin	DX6290	Yerçekimi yüklü durumda tüm omurganın görüntü elde edilmesi için kullanılır
Intel i7-10700 CPU'lu Windows 10 Sistemi	Özel yapı (Çeşitli Üreticiler)	Windows 10 Professional,22H2	Model eğitimi için çalışma ortamı; 32GB RAM, NVIDIA GeForce RTX 3090 (24GB).